Escolar Documentos
Profissional Documentos
Cultura Documentos
Probabilidade
• uma lista contendo todos os eventos que podem ocorrer como consequência do experi-
mento. Intuitivamente, um evento é uma afirmação acerca do resultado do experimento;
– o resultado é 3,
1
– o resultado é no mı́nimo 4,
– o resultado é um número primo.
• cada face 1, 2, 3, 4, 5, 6 teria a mesma chance de ser o resultado do lançamento.
Dado qualquer experimento envolvendo aleatoriedade, existe um espaço de probabilidade
associado. A seguir, veremos como construir formalmente tais espaços mais explicitamente.
b) Por outro lado, se o experimento for lançar o dado até que, digamos a face 6, apareça
pela primeira vez e, então, anotar o número de lançamentos executados, o espaço amostral seria
Ω = {1, 2, . . .} = N.
e) Agora, se o objetivo do estudo for classificar a lâmpada em defeituosa (D) ou boa (B),
então o espaço amostral mais conveniente é
Ω = {D, B}.
que indica se a peça selecionada é ou não defeituosa. Com esses exemplos, vemos, portanto,
que o espaço amostral é definido baseado nos objetivos do experimento.
2
O outro ingrediente são as probabilidades, que em princı́pio devem ser atribuı́das aos resul-
tados possı́veis (na linguagem do modelo, aos pontos de Ω). Por exemplo, no lançamento do
dado equilibrado, nenhum valor teria mais chance de sair do que os outros, e terı́amos
1
P(1) = P(2) = P(3) = P(4) = P(5) = P(6) =
6
onde P(i) lê-se “probabilidade de (sair) i (como resultado do lançamento do dado)”.
De forma mais geral, pode ocorrer de uma atribuição de probabilidades aos pontos de Ω
(como fizemos acima) não fazer muito sentido ou não ser o suficiente.
Exemplo 2. Um experimento aleatório razoavelmente familiar (bastante, para quem faz si-
mulações) é: escolha ao acaso e de maneira uniforme um número do intervalo [0, 1]. A unifor-
midade implica que de certa forma cada resultado possı́vel deve ter a mesma probabilidade.
Mas não podemos atribuir probabilidade igual a todos os pontos de Ω = [0, 1] (há um infinito
contı́nuo de possibilidades), sem que essa probabilidade seja zero. E mesmo fazendo isto, esta
atribuição é insuficiente.
A maneira adequada de fazer a atribuição neste caso é, por exemplo, atribuir probabilidades
aos intervalos. Da uniformidade, seria natural impor que para todo subintervalo I de [0, 1],
P(I) = comprimento de I,
em que P(I) significa probabilidade de (o número escolhido pertencer a) I. (Note que neste
caso a probabilidade de um ponto é igual ao seu comprimento, que se anula.)
Note ainda no exemplo acima que não basta atribuir probabilidades aos pontos de Ω: é
necessário considerarmos subconjuntos adequados, no caso, os intervalos.
Genericamente então, num modelo probabilı́stico, as probabilidades são atribuı́das a sub-
conjuntos de Ω, os eventos.
Eventos
Grosso modo, um evento é qualquer afirmação acerca do resultado de um experimento. For-
malmente, um evento é qualquer subconjunto de Ω. (Usualmente, usamos as letras maiúsculas
A, B, C, . . . para representar eventos). Assim, dado um espaço amostral Ω (para certo experi-
mento aleatório) e um subconjunto A ⊂ Ω, dizemos que A é um evento, e que, no contexto do
experimento aleatório, A ocorre se o resultado do experimento (um elemento de Ω) pertencer a
A. Note que Ω e ∅, o conjunto vazio, são eventos; ∅ é chamado evento impossı́vel e Ω, evento
certo, uma vez que algum elemento de Ω irá certamente ocorrer.
Exemplo 3. No Exemplo 1 a), se A indicar o evento “a face voltada para cima é par”, então
temos A = {2, 4, 6}.
3
Espaço de Eventos — σ-álgebra
O espaço de eventos do modelo probabilı́stico, que podemos denotar por F, é o conjunto (ou
classe) de eventos que queremos considerar (e atribuir probabilidades). Vamos definir operações
(entre eventos) nesta classe, que deverá ser rica o suficiente para ser preservada pelas operações
(isto é, quando aplicarmos as operações a eventos da classe, o resultado deve ser um elemento
da classe). As operações são as seguintes:
2. com um evento:
A ∩ B,
A ∪ B,
A \ B = A ∩ Bc
que é o evento ocorre A mas não ocorre B. (Em termos de conjuntos, A \ B é o conjunto de
elementos de A que não pertencem a B.).
Observação 1. As operações acima podem e devem ser pensadas como as operações usuais
entre conjuntos com a mesma terminologia e notação, de modo que valem propriedades análogas
àquelas válidas para operações entre conjuntos:
i) (A ∩ B)c = Ac ∪ B c v) A ∩ Ac = ∅, A ∪ Ac = Ω
ii) (A ∪ B)c = Ac ∩ B c
vi) A ∪ ∅ = A, A ∪ Ω = Ω
iii) A ∩ ∅ = ∅, A ∩ Ω = A
iv) ∅c = Ω, Ωc = ∅ vii) A ∩ (B ∪ C) = (A ∩ B) ∪ (A ∩ C)
4
Usando argumentos simples, pode-se mostrar que se A1 , A2 , . . . , An são conjuntos em F,
então
n
� n
�
Ai = A1 ∪ A2 ∪ · · · ∪ An e Ai = A1 ∩ A2 ∩ · · · ∩ An
i=1 i=1
também são eventos de F. Exigiremos, contudo, que F seja fechada não somente sob um número
finito de operações (intersecções e uniões), mas também sob um número infinito enumerável.
Isso motiva a seguinte definição.
(i) Ω ∈ F;
(ii) Se A ∈ F, então Ac ∈ F;
Exemplo 6. Ω é qualquer conjunto não vazio e F = {∅, A, Ac , Ω}, em que A ⊂ Ω é não vazio.
Exemplo 7. Ω = {1, 2, 3, 4, 5, 6} e F = P(Ω), isto é, o conjunto (das partes) contendo todos
os subconjuntos de Ω, ou F sendo a coleção
∅, {1, 2}, {3, 4}, {5, 6}, {1, 2, 3, 4}, {3, 4, 5, 6}, {1, 2, 5, 6}, Ω
Exemplo 8. Se Ω é qualquer conjunto não vazio, P(Ω) é obviamente uma σ-álgebra. Porém,
por razões que estão fora do escopo deste curso, quando Ω é infinito não enumerável (um
intervalo, por exemplo), sua coleção das partes é grande demais, de modo que é impossı́vel
atribuir probabilidades a todos os seus elementos.
Probabilidade
Chegamos agora ao problema de associar probabilidades aos eventos em F, escrevendo P(A)
para a probabilidade do evento A ocorrer. Assumiremos que isso pode ser feito de tal forma
que a função probabilidade P satisfaz certas condições intuitivas:
(a) cada evento A em F tem uma probabilidade P(A) satisfazendo que 0 ≤ P(A) ≤ 1,
(c) se A e B são eventos disjuntos (isto é, A ∩ B = ∅), então P(A ∪ B) = P(A) + P(B).
5
Formalmente, temos a seguinte definição.
Definição 2. Uma função P : F → [0, 1] é chamada uma medida de probabilidade (ou simples-
mente, probabilidade) sobre (Ω, F), se
(i) P(A) ≥ 0, para todo A ∈ F.
(ii) P(Ω) = 1.
Enfatizamos que uma medida de probabilidade P sobre (Ω, F) é definida somente para
aqueles subconjuntos de Ω que estão em F.
Definição 3. A tripla (Ω, F, P) é o que chamaremos de espaço de probabilidades ou modelo
probabilı́stico (para dado experimento aleatório).
Observação 2. Sem P, os pares (Ω, F) são chamados espaços mensuráveis e construir um
espaço de probabilidade é associar ao par alguma função P, escolhida com domı́nio F e imagem
no intervalo [0, 1] satisfazendo as condições da Definição 2.
Exemplo 9. Uma moeda, possivelmente viciada, é lançada uma vez. Neste caso, representando
“cara” por C e “coroa” por K, podemos tomar Ω = {C, K} e F = {∅, {C}, {K}, Ω}, e uma
possı́vel probabilidade P : F → [0, 1] é dada por
em que p é um número real fixo no intervalo [0, 1]. Se p = 12 , dizemos que a moeda é honesta,
equilibrada ou não viciada.
Exemplo 10 (Espaços amostrais finitos). Sejam Ω = {w1 , w2 , . . . , wN } um conjunto finito com
exatamente N pontos e F = P(Ω) (o conjunto das partes de Ω). Claramente, o par (Ω, F) é
um espaço mensurável, e a atribuição de probabilidades pode ser feita aos conjuntos unitários,
da seguinte forma, que é geral.
Sejam p1 , p2 , . . . , pN números reais não negativos somando 1. Isto é,
N
�
pi ≥ 0, i = 1, 2, . . . , N e p1 = 1.
i=1
pi = P({wi }), ∀i = 1, 2, . . . , N,
6
Exemplo 11. Seja (Ω, F, P) um espaço de probabilidade. Se B ∈ F é tal que P(B) > 0, então
a função PB : F → [0, 1] definida por
P(A ∩ B)
PB (A) = , A∈F (1.2)
P(B)
Observações
É importante enfatizar que as condições na Definição 2 não determinam completamente uma
atribuição de probabilidades a eventos. Na verdade, elas servem para cortar atribuições incon-
sistentes com as noções intuitivas de probabilidade. Dessa forma, a pergunta natural que surge
é: como atribuir probabilidades aos diversos eventos do espaço amostral? Em termos gerais,
há duas maneiras principais de responder essa questão.
A primeira delas consiste na atribuição de probabilidades, baseando-se em caracterı́sticas
teóricas da realização do experimento. Por exemplo, ao lançarmos um dado, temos o espaço
amostral Ω = {1, 2, 3, 4, 5, 6}. Admitindo que o dado foi construı́do de forma homogênea e com
medidas rigorosamente simétricas, não temos nenhuma razão para privilegiar essa ou aquela
face. Assim, consideramos
1
P({1}) = P({2}) = P({3}) = P({4}) = P({5}) = P({6}) = .
6
E usando a propriedade de aditividade, isto é, a propriedade (iii) da Definição 2, temos que
para todo evento A,
� �
� � 1� #A
P(A) = P {i} = P({i}) = 1= ,
i∈A i∈A
6 i∈A
6
Nn (A)
P(A) = lim .
n→∞ n
Mas note que isto pressupõe que o experimento seja (infinitamente) repetitı́vel e que o limite
exista. Questões dessa natureza não serão discutidas aqui e fazem parte da teoria de inferência
estatı́stica. Por ora, vamos assumir que, à medida que o número de repetições vai aumentando,
as frequências relativas se estabilizam em um número que chamaremos de probabilidade.
7
1.1.1 Exercı́cios
1. Preencha a lacuna com a relação (entre conjuntos ou entre elemento e conjunto) apropri-
ada.
3. Para cada um dos experimentos abaixo, descreva o espaço amostral Ω adequado e apre-
sente o número de elementos, quando for o caso.
8
(b) Ω = {1, 2, 3} e F = {∅, {1}, {2}, {3}, {1, 2}, {1, 3}, {2, 3}, {1, 2, 3}}.
(c) Ω = N e F = {A ⊆ N : A ou Ac é finito}.
(a) A ∪ B ∈ F.
(b) A ∩ B ∈ F.
(c) A \ B ∈ F.
é uma probabilidade.
#A
P(A) = , A ∈ F.
N
Prove que P assim definida é uma probabilidade sobre (Ω, F).
9
1.2 Propriedades da Probabilidade
Derivaremos nesta seção algumas propriedades adicionais de uma medida de probabilidade que
são consequência de sua própria definição e que serão usadas constantemente ao longo do curso.
Teorema 1 (Propriedades da Probabilidade). Seja (Ω, F, P) um espaço de probabilidade e
suponha que A, B, C abaixo sejam todos eventos em F. Então, valem as seguintes propriedades:
(a) (Complementaridade)
(b)
P(∅) = 0. (1.4)
P(∅) = 1 − P(Ω) = 1 − 1 = 0.
10
(e) (Regra da soma)
e
P(A∪B ∪ C)
(1.8)
= P(A) + P(B) + P(C) − P(A ∩ B) − P(A ∩ C) − P(B ∩ C) + P(A ∩ B ∩ C).
Demonstração. Primeiro, note que A ∪ B = A ∪ (B \ A), onde a última união é disjunta (isto
é, A e B \ A são disjuntos). Aplicando então (1.5), obtemos que
(f) (Subaditividade)
�∞ � ∞
� �
P Ai ≤ P(Ai ). (1.11)
i=1 i=1
11
(b) P(A ∪ B) = P(A) + P(B) − P(A ∩ B) = 1
2
+ 13 − 1
4
= 7
12
.
Exemplo 13. Seja P uma probabilidade sobre uma σ-álgebra F de um espaço amostral Ω.
Sejam A e B eventos tais que P(A) = 23 e P(B) = 49 . Mostre que P(A ∪ B) ≥ 23 e 19 ≤
P(A ∩ B) ≤ 49 .
Para a primeira desigualdade, basta observar que A ⊂ A ∪ B, logo
2
= P(A) ≤ P(A ∪ B).
3
Para a segunda, primeiro note que A ∩ B ⊂ B, que nos leva a
4
P(A ∩ B) ≤ P(B) = .
9
Para o outro lado, note que
4 1 1
P(A ∩ B) = P(B) − P(B \ A) ≥ P(B) − P(Ac ) = − = .
� �� � 9 3 9
=B∩Ac
Existe ainda uma outra propriedade de medidas de probabilidade que será bastante útil
neste curso, e que descreveremos na sequência. Para falarmos dela, começaremos introduzindo
o seguinte conceito.
Uma sequência A1 , A2 , . . . de eventos em um espaço de probabilidade (Ω, F, P) é dita ser
crescente, e escrevemos An ↑, se
A1 ⊂ A2 ⊂ · · · ⊂ An ⊂ An+1 ⊂ · · ·
A união
∞
�
A= An
n=1
12
Exemplo 14. Considere uma sequência infinita de lançamentos de uma moeda honesta. Parece
ser bastante intuitivo que a chance de não sair nenhuma cara nessa sequência é 0. Mas será
possı́vel verificar essa afirmação? Uma prova rigorosa é a seguinte.
Seja An o evento “sair ao menos uma cara nos primeiros n lançamentos”. Então, podemos
concluir que
An ⊂ An+1 , ∀n = 1, 2, . . .
(se existe ao menos uma cara até o n-ésimo lançamento, então continuará existindo ao menos
uma cara até o (n+1)-ésimo), de modo que os An ’s formam uma sequência crescente de eventos.
O conjunto limite A é o evento “sair ao menos uma cara” (na sequência de lançamentos). Assim,
pela continuidade de P, Teorema 2,
P(sair ao menos uma cara) = P(A) = lim P(An ).
n→∞
Agora, como
1
P(An ) = 1 − P(Acn ) = 1 − ,
2n
concluı́mos que
� �
1 1
P(sair ao menos uma cara) = lim 1− n = 1 − lim = 1 − 0 = 1,
n→∞ 2 n→∞ 2n
de modo que
P(não sair nenhuma cara) = P(Ac ) = 1 − P(A) = 1 − 1 = 0,
como querı́amos.
Demonstração. Seja B1 , B2 , . . . em F tal que
B 1 = A1 e Bn = An \ An−1 , n = 2, 3, . . .
Claramente, todos os Bn ’s são disjuntos por definição. Além disso, não é difı́cil ver que
n
� ∞
� ∞
�
An = Bk e A= An = Bn .
k=1 n=1 n=1
Portanto,
� n
� n ∞
�∞ �
� � � �
lim P(An ) = lim P Bk = lim P(Bk ) = P(Bk ) = P Bk = P(A).
n→∞ n→∞ n→∞
k=1 k=1 k=1 k=1
13
Exercı́cios
1. Sejam A e B eventos num espaço de probabilidade (Ω, F, P). Mostre que:
P(A∪B ∪ C)
= P(A) + P(B) + P(C) − P(A ∩ B) − P(A ∩ C) − P(B ∩ C) + P(A ∩ B ∩ C).
3. Sejam A e B eventos num espaço de probabilidade (Ω, F, P), tais que P(A) = 21 , P(B) = 3
4
e P(A ∪ B) = 1, quanto vale
5. Sejam A e B eventos num espaço de probabilidade (Ω, F, P), tais que P(A) = 3
4
e P(B) =
1
3
1
. Mostre que 12 ≤ P(A ∩ B) ≤ 13 .
14
1.3 Espaços Equiprováveis
Nesta seção, consideraremos uma situação historicamente importante, denominada de espaço
equiprovável. À saber, aquela em que temos um espaço amostral finito
Ω = {w1 , w2 , . . . , wN }; (1.14)
a σ-álgebra F como sendo P(Ω), e a probabilidade P definida de tal modo que cada evento
unitário (isto é, os elementos de Ω) tem a mesma probabilidade de ocorrer:
1
P({w1 }) = P({w2 }) = · · · = P({wN }) = . (1.15)
N
Neste caso, pela aditividade de P, para qualquer evento A (isto é, qualquer subconjunto de Ω),
a probabilidade de A é
� �
� � � 1 1 � #A #A
P(A) = P {w} = P({w}) = = 1= = , (1.16)
w∈A w∈A w∈A
N N w∈A N #Ω
Exemplo 15. Seja o experimento aleatório em que dois dados equilibrados são lançados um
após o outro. Um modelo para este experimento seria um espaço equiprovável em que
Neste caso, temos N = 36, e (i, j) ∈ Ω indica os números do primeiro e segundo dados,
respectivamente. Se, por exemplo, estivermos interessados na probabilidade de que a soma dos
números lançados seja 7, representando por A esse evento, temos que ele pode ser descrito como
A = {(i, j) ∈ Ω : i + j = 7} = {(1, 6), (2, 5), (3, 4), (4, 4), (5, 2), (6, 1)}.
#A 6 1
P(A) = = = .
#Ω 36 6
15
Uma forma alternativa de obter a cardinalidade de A é escrever Ω em forma de matriz
11 12 · · · 16
21 22 · · · 26
Ω = .. .. .. . ,
. . . ..
61 62 · · · 66
e notar que os elementos de A dispõem-se na diagonal secundária da matriz. Logo, A tem 6
elementos, que é o número de elementos da diagonal.
Princı́pio multiplicativo. Se uma decisão pode ser tomada em duas etapas, a primeira
podendo ser tomada de n maneiras e, após tomada a primeira, a segunda pode ser tomada de
m maneiras, então as duas podem ser tomadas simultaneamente de n × m maneiras. Esse é o
chamado princı́pio multiplicativo.
Exemplo 16. Numa sala há 3 homens e 4 mulheres. De quantos modos é possı́vel selecionar um
casal homem-mulher? Primeiro, note que para formar um casal devemos tomar duas decisões:
decisão 1: escolha do homem (ou da mulher);
decisão 2: escolha da mulher (ou do homem).
Como a decisão 1 pode ser tomada de 3 maneiras e, depois disso, a decisão 2 pode ser tomada
de 4 maneiras, então o número de maneiras de se formar um casal (isto é, de tomar as decisões
1 e 2) é 3 × 4 = 12.
Exemplo 17. As placas (antigas) de automóveis são formadas por três letras (K, Y e W
inclusive) seguidas por quatro algarismos. Quantas placas podem ser formadas? Cada letra
pode ser escolhida de 26 modos e cada algarismo de 10 modos distintos. A resposta então é
26 × 26 × 26 × 10 × 10 × 10 × 10 = 263 × 104 .
Observação 3. O princı́pio multiplicativo também vale quando temos mais do que duas tarefas
a serem realizadas, a saber, um número finito de tarefas.
Exemplo 18. Quantos números naturais de três algarismos distintos existem? O primeiro
algarismo pode ser escolhido de 9 modos (não podemos usar o zero!); o segundo algarismo de
9 modos (não podemos usar o algarismo usado anteriormente), e o terceiro de 8 modos (não
podemos usar os dois algarismos já utilizados anteriormente). A resposta é 9 × 9 × 8 = 648.
16
Exemplo 19. Quantos são os números naturais pares que se escrevem com três algarismos
distintos? Há várias maneiras de se resolver esse problema. Uma forma é determinar todos
os números de três algarismos distintos (9 × 9 × 8 = 648) e abater os números ı́mpares de 3
algarismos distintos (5 na última casa, 8 na primeira e 8 na segunda, num total de 5 × 8 × 8 =
320). Logo, a resposta é 648 − 320 = 328.
Permutações Simples
Dados n objetos distintos a1 , a2 , . . . , an , de quantos modos é possı́vel ordená-los? Por exemplo,
para os números 1, 2 e 3, há 6 ordenações: 123, 132, 213, 231, 312 e 321.
Pensando no caso geral, note que temos n maneiras de escolher o objeto que ocupará o
primeiro lugar, n − 1 maneiras de escolher o que ocupará o segundo lugar, n − 2 maneiras de
escolher o que ocupará o terceiro lugar, e assim sucessivamente até escolhermos o objeto que
ocupará o último lugar, que só tem 1 maneira. Portanto,
O número de modos de ordenar n objetos distintos é
n · (n − 1) · · · 2 · 1 = n! (1.17)
Na terminologia de combinatória, cada ordenação dos n objetos é chamada uma permutação
simples de n objetos e o número de permutações simples de n objetos distintos é representado
por Pn . Assim, Pn = n! (Já que 0! = 1, define-se P0 = 1).
Exemplo 20. Quantos são os anagramas da palavra PRÁTICO? Cada anagrama de PRÁTICO
nada mais é que uma ordenação das letras P, R, A, T, I, C e O. Assim o número de anagramas
de PRÁTICO é P7 = 7! = 5040.
Exemplo 21. Quantos são os anagramas da palavra PRÁTICO que começam e terminam
por consoante? A consoante inicial pode ser escolhida de 4 maneiras, a consoante final de 3
maneiras e as 5 letras restantes podem ser ordenadas entre essas duas consoantes de P5 = 5!
modos. A resposta portanto é 4 × 3 × 5! = 1440.
Exemplo 22. Quantos diferentes anagramas podem ser formados a partir das letras PEPPER?
Primeiro, notemos que as letras P1 E1 P2 P3 E2 R geram 6! permutações quando os 3 P’s e os 2
E’s são diferentes uns dos outros. Contudo, considere qualquer umas destas permutações, por
exemplo, P1 P2 E1 P3 E2 R. Se agora permutarmos os P’s e os E’s entre si, então o arranjo
resultante continuará a ser PPEPER, e há 3!2! permutações que são desta forma. Como cada
permutação tem outros 3!2! arranjos exatamente iguais a si, a nossa contagem de 6! contou
cada permutação 3!2! vezes. A resposta portanto é
6!
= 60.
3!2!
Observação 4. Em geral, o mesmo raciocı́nio usado no exemplo acabamos de ver mostra que
há
n!
= Pnn1 ,n2 ,...,nr
n1 !n2 ! · · · nr !
permutações diferentes de n objetos, dos quais n1 são do tipo 1, n2 são do tipo 2, ..., nr são do
tipo r.
17
Exemplo 23. Quantos são os anagramas da palavra PROBABILIDADE? Como temos 2 letras
B, 2 letras A, 2 letras I, 2 letras D, 1 letra P, 1 letra R, 1 letra O, 1 letra L e 1 letra E, a
resposta é
Combinações simples
De quantos modos podemos escolher p objetos distintos dentre n objetos distintos dados? Ou,
o que é o mesmo, quantos são os subconjuntos com p elementos do conjunto {a1 , a2 , . . . , an }?
Cada subconjunto de p elementos é chamado de uma combinação simples de p elementos
dos n objetos a1 , a2 , . . . , an . Assim, por exemplo, as combinações simples de 3 dos objetos
a1 , a2 , a3 , a4 , a5 são
n · (n − 1) · · · (n − p + 1)
Cnp = , 0 < p ≤ n, e Cn0 = 1. (1.18)
p!
Uma expressão alternativa pode ser obtida multiplicando o numerador e o denominador por
(n − p)!. Obtemos,
n!
Cnp =
p!(n − p)!
� � (1.19)
n
= ,
p
para qualquer p = 0, 1, . . . , n.
18
Exemplo 24. Quantas saladas contendo exatamente 4 frutas podemos formar se dispomos de
10 frutas diferentes? Para formar uma salada basta escolher 4 das 10 frutas, o que pode ser
feito de
4 10 · 9 · 8 · 7
C10 = = 210 modos.
4!
Exemplo 25. De um grupo de cinco mulheres e sete homens, quantas comissões diferentes
compostas por duas mulheres e três homens podem ser formados? E se dois dos homens
estiverem brigados e se recusarem a trabalhar juntos? Como há C52 grupos de 2 mulheres
possı́veis e C73 grupos de 3 homens possı́veis, o princı́pio multiplicativo diz que há
5·47·6·5
C52 × C73 = = 350 comissões possı́veis.
2·13·2·1
Suponha agora que 2 dos homens se recusem a trabalhar juntos. Como há um total de
C52 ×C51 = 5×10 = 50 comissões contendo os dois homens brigados, basta abater essa quantidade
do número total de comissões possı́veis. A resposta correta é então 350 − 50 = 300 comissões
possı́veis.
� �
Os valores Cnp = np são usualmente chamados de coeficientes binomiais por que eles apa-
recem no Teorema Binomial.
Teorema 3 (Teorema Binomial).
n � �
�
n n
(x + y) = xi y (n−i) . (1.20)
i=0
i
1.3.2 Exercı́cios
1. Quantas palavras contendo 3 letras diferentes podem ser formadas com um alfabeto de
26 letras?
3. Considere um grupo formado por 7 homens e 5 mulheres, do qual se quer extrair uma
comissão constituı́da por 4 pessoas. Quantas são as comissões:
(a) Possı́veis?
(b) Formadas por 2 homens e 2 mulheres?
19
4. Quantas palavras podemos escrever com as seis letras a, b, c, d, e, f, sem repetir letras,
de modo que as letras a, b, c sempre apareçam na ordem alfabética?
5. O número 2016 tem quatro algarismos distintos, sendo um ı́mpar e três pares, com um
deles 0. Quantos números possuem exatamente essas caracterı́sticas?
1.3.3 Exemplos
Amostragem aleatória em populações
Começaremos discutindo uma situação importante em estatı́stica, a amostragem aleatória. Su-
ponha que
P = {I1 , I2 , . . . , IM } (1.21)
seja uma população com M indivı́duos (em que o j-ésimo indivı́duo é indicado por Ij , j =
1, 2, . . . , M ).
Uma amostra aleatória de P é grosso modo um subconjunto de P escolhido aleatoriamente.
O exemplo mais simples é a amostra aleatória (ou casual) simples de tamanho 1. Esta é formada
pelo sorteio de 1 indivı́duo de P em que cada indivı́duo tem a mesma chance de ser sorteado
que os demais. Isto nos leva a considerar um espaço equiprovável para o sorteio em que Ω = P.
Exemplo 27. Suponha que dada população tenha 55 mulheres e 45 homens. Se tomarmos
uma amostra casual simples de tamanho 1 (ou, dito de outra forma, selecionarmos ao acaso
uma pessoa) desta população, qual a probabilidade de sortearmos uma mulher?
Indicando por A o evento “o indivı́duo sorteado é uma mulher”, é fácil concluir que A tem
55 elementos. Assim, como #Ω = 100, obtemos
#A 55
P(A) = = = 0, 55.
#Ω 100
Para amostras de tamanho maior do que 1, temos dois casos: amostragem com e sem
reposição.
20
Amostragem casual simples com reposição. Suponha que queiramos uma amostra de
tamanho n ≥ 2 escolhida da seguinte forma: sorteamos o primeiro indivı́duo de P para a
amostra, como na no caso n = 1; devolvemos o indivı́duo sorteado à população, e repetimos o
procedimento, e assim até o n-ésimo sorteio.
Um modelo para esta amostragem é um espaço equiprovável com
Ω = Pn = P × · · · × P
� �� �
n vezes (1.22)
n
= {(Ij1 , . . . , Ijn ) : (j1 , . . . , jn ) ∈ {1, . . . , M } } .
Note que pode haver repetições, ou seja, um mesmo indivı́duo pode ser sorteado mais do que
uma vez. Note ainda que, pelo princı́pio multiplicativo,
#Ω = M n . (1.23)
Exemplo 28. Suponha que tomemos uma amostra casual simples de tamanho 5 (ou, seleci-
onamos ao acaso 5 pessoas) com reposição da população do Exemplo 27. Neste caso, temos
#Ω = 1005 = 1010 . Seja A o evento “não há mulheres na amostra”. Para acharmos a probabi-
lidade deste evento, basta determinar o seu número de elementos. Para tanto, suponha que Ph
e Pm sejam os subconjuntos de homens e mulheres de P, respectivamente. Temos então que
#Ph = 45 e #Pm = 55. Temos também que A é o subconjunto de Ω com amostras de apenas
homens. Este subconjunto pode ser descrito como Ph5 , e logo
#A = #Ph5 = 455 .
Portanto,
� �5
#A 455 45
P(A) = = = ≈ 0, 018.
#Ω 1005 100
Amostragem casual simples sem reposição. Esta amostragem é semelhante à com re-
posição, com uma diferença importante: não há a devolução do indivı́duo sorteado à população
no final de cada sorteio, de forma que não há repetições: cada indivı́duo aparece no máximo
uma vez na amostra. Desta forma, temos um modelo equiprovável com
Isto naturalmente obriga a que n ≤ M . Vamos também estipular que amostras dos mesmos
indivı́duos em ordem distinta só contam uma vez; desta forma, a cardinalidade de Ω é o número
de escolhas de um grupo de n indivı́duos numa população de M indivı́duos distintos. Logo,
� �
M n
#Ω = = CM . (1.25)
n
Exemplo 29. Vamos tomar a mesma população, tamanho de amostra e evento A do Exem-
plo 28, mas com amostragem sem reposição. Para determinar #A, note que o número de
21
amostras com apenas homens é igual ao número de escolhas de 5 indivı́duos distintos de uma
população, Ph , com 45 indivı́duos. Logo,
� �
45
#A =
5
e portanto,
�45� 45!
#A 45 · 44 · 43 · 42 · 41
P(A) = 5
= �100 �= 40!5!
100!
= ≈ 0, 016.
#Ω 5 95!5!
100 · 99 · 98 · 97 · 96
Exemplo 30. Suponha que num lote com 20 peças existam 5 defeituosas. Escolhemos 4 peças
do lote ao acaso, sem reposição. Qual a probabilidade de que a amostra contenha 2 peças
defeituosas? � �
Neste caso, o número de amostras com 4 elementos que podemos extrair do lote é 20 4
.
Agora, representando por
� �� � A o evento que consiste em escolher 2 peças defeituosas na amostra,
temos que #A = 52 15 2
. Logo,
�5��15�
P(A) = 2
�20�2 ≈ 0, 217.
4
Exemplo 31 (Chaves). Uma pessoa tem um molho com n chaves das quais só uma abre sua
porta. Ao chegar em casa, ela vai testando as chaves ao acaso (sem reposição), até achar a chave
correta e abrir a porta. Qual a probabilidade de ela ser bem sucedida na k-ésima tentativa?
(k = 1, . . . , n)
Vamos modelar esta situação por um espaço equiprovável em que os resultados são todas
as possı́veis ordenações das n chaves. Temos então que #Ω = n!. No evento em questão,
digamos A, a chave que abre a porta deve aparecer na k-ésima posição, e as demais n − 1
chaves aparecem em qualquer ordem. Logo, #A = (n − 1)!, e
(n − 1)! 1
P(A) = = .
n! n
22
1.3.4 Exercı́cios
1. Dentre seis números positivos e oito negativos, dois números são escolhidos ao acaso (sem
reposição) e multiplicados. Qual a probabilidade de que o produto entre eles seja positivo?
3. Uma caixa contém r bolas vermelhas e b brancas. Extrai-se, sem reposição, da caixa uma
amostra aleatória de tamanho n, n ≤ r + b. Qual é a probabilidade de que a amostra
contenha exatamente k bolas vermelhas, em que k ≤ n?
4. Uma caixa contém 20 peças em boas condições e 15 em más condições. Uma amostra,
sem reposição, de 10 peças é extraı́da da caixa. Calcular a probabilidade de que ao menos
uma peça na amostra seja defeituosa.
6. Numa classe com n alunos, qual a probabilidade de ninguém fazer aniversário no mesmo
dia? (Considere o ano com 365 dias.)
8. Uma urna contém 4 bolas brancas, 4 bolas pretas e 4 bolas vermelhas. Extrai-se 6 bolas
dessa urna. Calcule a probabilidade de serem sacadas 2 bolas de cada cor supondo a
extração:
9. Num jogo, em que 2 dados equilibrados são lançados simultaneamente, Paula ganha se o
maior valor dentre os dados lançados é 1, 2, 3 ou 4, enquanto que se o maior valor é 5 ou
6, Pedro que ganha. Quem tem a maior probabilidade de vencer o jogo?
23
1.4 Probabilidade Condicional e Independência
Consideremos o experimento que consiste em jogar um dado equilibrado. Logo, um modelo
apropriado para esse experimento é o espaço equiprovável, com Ω = {1, 2, 3, 4, 5, 6}. Considere
os eventos A = {1, 2, 4} e B = {2, 4, 6}. Calculando a probabilidade de A, temos
#A 3 1
P(A) = = = .
#Ω 6 2
Esta é chamada a probabilidade de A a priori, isto é, antes que o experimento se realize. En-
tretanto, muitas vezes, é importante reavaliar as probabilidades quando informações adicionais
a respeito do experimento se tornam disponı́veis.
Por exemplo, suponhamos que, uma vez jogado o dado, alguém nos diga que o resultado do
mesmo é um número par, ou seja, que o evento B ocorreu. Obviamente, nossa opinião sobre
a ocorrência de A muda diante desta informação, já que, então, somente poderá ter ocorrido
A se o resultado do experimento tiver sido 2. Esta opinião é medida com a introdução de uma
“probabilidade a posteriori” ou, como vamos chamá-la doravante, probabilidade condicional de
A dado B, denotada por P(A|B) e dada por
#(A ∩ B) 2
= .
#B 3
Em geral, a probabilidade condicional é definida da seguinte forma.
Definição 4 (Probabilidade Condicional). Seja (Ω, F, P) um espaço de probabilidade e seja
B ∈ F tal que P(B) > 0. Definimos a probabilidade condicional de A dado B por
P(A ∩ B)
P(A|B) = , A ∈ F. (1.26)
P(B)
Note que a função P(·|B) : F → [0, 1] é, de fato, uma probabilidade em (Ω, F).
Exemplo 32. Considere o lançamento de duas moedas idênticas e perfeitamente equilibradas.
(a) Determine a probabilidade condicional de se obter duas caras dado que se obteve cara
na primeira moeda.
(b) Determine a probabilidade condicional de se obter duas caras dado que se obteve pelo
menos uma cara.
Para resolver este problema, um espaço adequado é o espaço equiprovável em que
Ω = {CC, CK, KC, KK},
onde C indica cara e K coroa, com cada evento unitário tendo probabilidade 1/4. Seja A o
evento obter cara na primeira moeda e B obter cara na segunda. Então, notando que o evento
“obter duas caras” é o mesmo que A ∩ B, temos em (a) que
P((A ∩ B) ∩ A) P(A ∩ B) P({CC}) 1/4 1
P(A ∩ B|A) = = = =1 = ,
P(A) P(A) P({CC, CK}) /2 2
e em (b) que
P((A ∩ B) ∩ (A ∪ B)) P(A ∩ B) P({CC}) 1/4 1
P(A ∩ B|A ∪ B) = = = =3 = .
P(A ∪ B) P(A ∪ B) P({CC, CK, KC}) /4 3
24
Observação 5. Se P(B) = 0, P(A|B) pode ser arbitrariamente definida. Muitos autores faz
P(A|B) = 0, mas é mais interessante fazer P(A|B) = P(A) para que P(·|B) seja também uma
probabilidade sobre (Ω, F).
Da Definição (1.26) de probabilidade condicional segue a chamada regra do produto:
Exemplo 33. Selecionar três cartas de um baralho comum, ao acaso e sem reposição. Qual
a probabilidade de tirar 3 reis? Seja Ai o evento “tirar rei na i-ésima seleção”, i = 1, 2, 3.
Então,
4 3 2
P(tirar 3 reis) = P(A1 ∩ A2 ∩ A3 ) = P(A1 )P(A2 |A1 )P(A3 |A1 ∩ A2 ) = · · .
52 51 50
Exemplo 34. Suponha que a população de uma certa cidade é constituı́da por 40% de homens
e 60% de mulheres. Suponha ainda que 50% dos homens e 30% das mulheres são fumantes.
Determine a probabilidade de que uma pessoa selecionada ao acaso e que fuma seja homem.
Representemos por H o evento de que a pessoa selecionada é homem e por M o evento de
que a pessoa selecionada é mulher. Seja F o evento de que a pessoa selecionada é fumante e
por N o de que a pessoa não é fumante. Então os dados do problema são:
P(H ∩ F )
P(H|F ) = .
P(F )
25
Agora, de (1.27), temos que P(H ∩ F ) = P(H)P(F |H) = 0, 4 · 0, 5 = 0, 20. Além disso, como
F = (F ∩ H) ∪ (F ∩ M ), e essa união é disjunta, temos que
P(F ) = P(F ∩ H) + P(F ∩ M ) = 0, 20 + P(M )P(F |M ) = 0, 20 + 0, 6 · 0, 3 = 0, 38.
� �� � � �� �
=0,20 (1.27)
= P(M )P(F |M )
Portanto,
0, 2
P(H|F ) = ≈ 0, 53.
0, 38
O problema discutido no exemplo acima é um caso especial de uma situação mais geral
que passamos agora a considerar. Suponha que A1 , A2 , . . . , An , . . . sejam eventos mutuamente
exclusivos (disjuntos) cuja união é o próprio Ω, isto é,
∞
�
Ω= An .
n=1
Neste caso, dizemos que A1 , A2 , . . . , An , . . . formam uma partição de Ω. A Figura 1.1 a seguir
ilustra esse conceito.
26
e essa última união é disjunta (veja a Figura 1.2),
Este resultado é conhecido na literatura como Lei da Probabilidade Total. Usando este resultado
e (1.26), podemos calcular a probabilidade Ak dado a ocorrência de B:
Esta é a famosa regra (ou fórmula) de Bayes, e tem aplicação bastante frequente. Uma forma de
interpretá-la é a seguinte: Suponha que pensemos nos eventos An ’s como as possı́veis “causas”
do evento observado B. Então P(Ak |B) é a probabilidade de que o evento Ak foi a causa de
B, dado que B ocorreu. A regra de Bayes também forma a base de um método estatı́stico
bastante conhecido hoje em dia, o chamado método Bayesiano.
Exemplo 35. Suponha que numa urna haja 2 bolas azuis e 3 bolas brancas, e que lhe retiramos
2 bolas sem reposição (ou seja, uma amostra casual simples de tamanho 2 sem reposição). Sejam
os eventos
27
servindo como partição para avaliar eventos do estágio seguinte. Assim, usando que A1 e Ac1
formam uma partição de Ω, temos que
P(A2 ) = P(A1 )P(A2 |A1 ) + P(Ac1 )P(A2 |Ac1 ).
O cálculo de P(A1 ) é claro: de 2 + 3 = 5 possibilidades, tem que ocorrer uma de 2 possibilidades
favoráveis a A1 . Então,
2
P(A1 ) = ,
5
e pela complementaridade,
2 3
P(Ac1 ) = 1 − P(A1 ) = 1 − = .
5 5
Agora, dado A1 , para a 2a. retirada temos 1 bola azul e 3 bolas brancas na urna, logo 1
possibilidade favorável a A2 de 1 + 3 = 4 possibilidades no total. Assim,
1
P(A2 |A1 ) = .
4
Procedendo de modo semelhante, pode-se obter também que
2
P(A2 |Ac1 ) = ,
4
de sorte que
2 1 3 2 8 2
P(A2 ) = P(A1 )P(A2 |A1 ) + P(Ac1 )P(A2 |Ac1 ) = · + · = = .
5 4 5 4 20 5
Exemplo 36. Uma vacina tem 90% de eficiência na imunização contra certa doença, que
acomete 50% da população não vacinada. Suponha que, após uma campanha de vacinação
em que 70% da população seja atingida, um paciente chegue a um hospital com a doença em
questão, mas sem saber se tomou a vacina ou não. Qual é a probabilidade de que a tenha
tomado?
Sejam os eventos
A = {paciente foi acometido pela doença}
B = {paciente tomou a vacina}.
Queremos pois determinar P(B|A). Para tanto, as informações que temos são as seguintes:
P(A|B) = 0, 10; P(A|B c ) = 0, 50; P(B) = 0, 70
Da regra de Bayes (1.30),
P(A|B)P(B) 0, 10 · 0, 70
P(B|A) = =
P(A|B)P(B) + P(A|B )P(B )
c c 0, 10 · 0, 70 + 0, 50 · 0, 30
0, 07
=
0, 07 + 0, 15
≈ 0, 32
28
Um outro conceito bastante importante em Probabilidade é o de independência de eventos,
que definimos agora.
Definição 5 (Independência de dois eventos). Dados um espaço de probabilidade (Ω, F, P) e
dois eventos A e B em F, dizemos que A é independente de B (ou que A e B são independentes)
se
Se apenas as três primeiras relações de (1.33) estiverem satisfeitas, dizemos que os eventos
A, B e C são independentes por pares. É possı́vel que três eventos sejam independentes por
pares, mas não sejam independentes. Vejamos no exemplo.
Exemplo 38 (Continuação do Exemplo 37). De acordo com a definição acima, é claro que os
eventos A, B e C do Exemplo 37 são independentes por pares. Porém, eles não são indepen-
dentes, pois
1 1 1 1 1
P(A ∩ B ∩ C) = P({1}) = �= = · · = P(A)P(B)P(C).
4 8 2 2 2
29
Exemplo 39. Considere agora o experimento que consiste em lançar uma moeda 3 vezes. Seja
Ci o evento “sair cara no i-ésimo lançamento”, i = 1, 2, 3. Vamos verificar que C1 , C2 e C3 são
independentes.
Com efeito, primeiro, note que
C1 = {CKK, CCK, CKC, CCC},
C2 = {KCK, CCK, KCC, CCC},
C3 = {KKC, CKC, KCC, CCC},
em que C indica cara e K coroa, de modo que não é difı́cil concluir que para todo 1 ≤ i �= j ≤ 3,
2 1 1 1 4 4
P(Ci ∩ Cj ) = = = · = · = P(Ci )P(Cj ).
8 4 2 2 8 8
Para concluir, basta agora observar que
1 1 1 1
P(C1 ∩ C2 ∩ C3 ) = P({CCC}) = = · · = P(C1 )P(C2 )P(C3 ).
8 2 2 2
Definição 7 (Independência — caso geral). (a) Dizemos que os eventos A1 , A2 , . . . , An são
independentes se, para todo I ⊂ {1, . . . , n}, vale a igualdade
� �
� �
P Ak = P(Ak ). (1.34)
k∈I k∈I
e note que os An ’s são independentes, pois os lançamentos da moeda são independentes. Escreva
P(An ) = p, para todo n ≥ 1, em que p ∈ [0, 1] é a probabilidade de sair cara.
�M Escolha agora um
número M ≥ 1 qualquer (a ideia é depois fazer M → ∞). Como A ⊂ n=1 An , temos, pela
monotonicidade da probabilidade, que
�M � M M
� ind.
� �
P(A) ≤ P An = P(An ) = p = pM .
n=1 n=1 n=1
30
Agora, tomando o limite com M → ∞ em ambos os lados da desigualdade anterior, segue que
P(A) ≤ lim pM = 0,
M →∞
Como P(A) ≥ 0, concluı́mos que a probabilidade de nunca obtermos uma coroa é zero, o que
significa que eventualmente (ou seja, com probabilidade 1) uma coroa será obtida como resultado
de um lançamento da moeda.
1.4.1 Exercı́cios
1. Sejam A e B eventos com probabilidade não nula de ocorrência. Mostre que:
2. Um indivı́duo tem quatro moedas no bolso, sendo que uma delas tem cara nas duas
faces e as demais são honestas. Ele fecha os olhos, escolhe uma delas ao acaso e lança.
Pergunta-se:
(a) Qual é a probabilidade de que a face da moeda que fica para cima seja cara?
(b) Ele abre os olhos e observa que a face para cima é cara. Qual é a probabilidade de
que a outra face da moeda também seja cara?
3. Um exame de laboratório tem eficiência de 95% para detectar uma doença quando essa
doença de fato existe. Entretanto, o teste aponta um resultado “falso positivo” para 1%
das pessoas sadias testadas. Se 0,5% da população tem a doença, qual é a probabilidade
de uma pessoa ter a doença dado que o seu exame foi positivo?
4. Pedro que enviar uma carta a Marina. A probabilidade de que Pedro escreva a carta é
de 0, 8. A probabilidade de que o correio não a perca é de 0, 9. A probabilidade de que o
carteiro a entregue é de 0, 9. Dado que Marina não recebeu a carta, qual a probabilidade
condicional de que Pedro não a tenha escrito?
7. Suponha que A, B e C são eventos independentes com probabilidades 1/10, 1/5 e 1/2,
respectivamente.
31
(a) Calcule P(A ∩ B ∩ C).
(b) Calcule P(A ∪ B ∪ C).
(c) Qual é a probabilidade que exatamente um dos eventos A, B ou C ocorra?
8. Um experimento consiste em lançar duas vezes uma moeda honesta. Considere os eventos:
A: o 1o lançamento resulta em cara;
B: o 2o lançamento resulta em cara;
C: o resultado do 1o lançamento coincide com o resultado do 2o lançamento.
Verifique que os eventos A, B e C são independentes aos pares, porém não são indepen-
dentes.
11. Suponha que numa fábrica de peças automotivas, a probabilidade de uma peça produzida
ser defeituosa é de 0, 01. Calcule a probabilidade da fábrica nunca produzir uma peça
defeituosa.
32